改进的HRNet应用于路面裂缝分割与检测

doi:10.13474/j.cnki.11-2246.2022.0082

测绘通报 ›› 2022, Vol. 0 ›› Issue (3): 83-89.doi: 10.13474/j.cnki.11-2246.2022.0082

改进的HRNet应用于路面裂缝分割与检测

张伯树^1,2,3, 张志华^1,2,3, 张洋^1,2,3

1. 兰州交通大学测绘与地理信息学院, 甘肃兰州 730070;
2. 地理国情监测技术应用国家地方联合工程研究中心, 甘肃兰州 730070;
3. 甘肃省地理国情监测工程实验室, 甘肃兰州 730070

收稿日期:2021-04-01 修回日期:2022-01-25 出版日期:2022-03-25 发布日期:2022-04-01
通讯作者: 张志华。E-mail:43447077@qq.com
作者简介:张伯树(1997-),男,硕士生,研究方向为计算机视觉、智能图像识别。E-mail:1113993479@qq.com
基金资助:
国家自然科学基金(41861059);兰州交通大学优秀平台(201806)

Improved HRNet applied to segmentation and detection of pavement cracks

ZHANG Boshu^1,2,3, ZHANG Zhihua^1,2,3, ZHANG Yang^1,2,3

1. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China;
2. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China;
3. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China

Received:2021-04-01 Revised:2022-01-25 Online:2022-03-25 Published:2022-04-01

摘要/Abstract

摘要： 针对利用传统卷积神经网络进行路面裂缝分割时存在准确率低、信息丢失及边缘模糊的问题,本文提出了基于改进HRNet模型的路面裂缝分割算法。模型在原始HRNet的基础上进行改进,主干网络部分采用DUC模块代替双线性插值上采样;下采样改为passthrough layer代替原始卷积;在模型解码部分,进行逐级上采样的同时引入SE-Block,对不同特征层的融合重新标定权重。通过与原始HRNet及传统卷积神经网络U-Net对比可知,本文算法在公共数据与自制数据集上的分割精度表现优秀,F1分值分别达到了91.31%和78.69%,可以很好地满足实际工程的需求。

关键词: 路面裂缝;HRNet;DUC;passthrough layer;SE-Block;图像分割

Abstract: Aiming at the problems of low accuracy,loss of information and blurred edges in the traditional convolutional neural network for pavement crack segmentation,a pavement crack segmentation algorithm based on the improved HRNet model is proposed.The model is improved on the basis of the original HRNet,the backbone network part uses DUC module instead of bilinear interpolation;downsampling is changed to passthrough layer to replace the original convolution,SE-Block is introduced while performing step-by-step upsampling to re-calibrate the fusion of different feature layers.Comparing with the original HRNet and the other traditional convolutional neural networks U-Net,it can be concluded that the segmentation accuracy of this algorithm is the best on public data and self-made data sets,with F1 score reaching 91.31% and 78.69% respectively,proving that the algorithm can be very good to meet the needs of actual engineering.

Key words: road cracks;HRNet;DUC;passthrough layer;SE-Block;image segmentation

中图分类号:

P208

张伯树, 张志华, 张洋. 改进的HRNet应用于路面裂缝分割与检测[J]. 测绘通报, 2022, 0(3): 83-89.

ZHANG Boshu, ZHANG Zhihua, ZHANG Yang. Improved HRNet applied to segmentation and detection of pavement cracks[J]. Bulletin of Surveying and Mapping, 2022, 0(3): 83-89.

参考文献

[1] 孙朝云,马志丹,李伟,等.基于深度卷积神经网络融合模型的路面裂缝识别方法[J].长安大学学报(自然科学版), 2020, 40(4):1-13.
[2] 雷斯达,曹鸿猷,康俊涛.基于深度学习的复杂场景下混凝土表面裂缝识别研究[J].公路交通科技, 2020, 37(12):80-88.
[3] 魏武,王俊杰,蔡钊雄.基于小波和Radon变换的桥梁裂缝检测[J].计算机工程与设计, 2013, 34(9):3151-3157.
[4] DAI Bo, GU Chongshi, ZHAO Erfeng, et al. Improved online sequential extreme learning machine for identifying crack behavior in concrete dam[J]. Advances in Structural Engineering, 2019, 22(2):402-412.
[5] 吴向东,赵健康,刘传奇.基于CNN与CRF的桥梁裂缝检测算法[J].计算机工程与设计, 2021, 42(1):51-56.
[6] NI Futao, ZHANG Jian, CHEN Zhiqiang. Pixel-level crack delineation in images with convolutional feature fusion[J]. Structural Control and Health Monitoring, 2019, 26(1):e2286.
[7] 曹锦纲,杨国田,杨锡运.基于注意力机制的深度学习路面裂缝检测[J].计算机辅助设计与图形学学报, 2020, 32(8):1324-1333.
[8] SUN Ke, XIAO Bin, LIU Dong, et al. Deep highresolution representation learning for human pose estimation[C]//Proceedings of 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, CA:IEEE, 2019:5686-5696.
[9] WANG Panqu, CHEN Pengfei, YUAN Ye, et al. Understanding convolution for semantic segmentation[C]//Proceedings of 2018 IEEE Winter Conference on Applications of Computer Vision. Lake Tahoe:IEEE, 2018:1451-1460.
[10] REDMON J, FARHADI A. YOLO9000:better, faster, stronger[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, HI:IEEE, 2017:6517-6525.
[11] HU Jie, SHEN Li, SUN Gang. Squeeze-and-excitation networks[C]//Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, UT:IEEE, 2018:7132-7141.
[12] 刘鹏坤,朱成杰,张越.轻量型高分辨率人体关键点检测改进研究[J].计算机工程与应用, 2021, 57(2):143-149.
[13] XIAO B, WU H, WEI Y. Simple baselines for human pose estimation and tracking[C]//Proceedings of 2018 European conference on computer vision (ECCV).[S. l.]:Springer, Cham,2018:466-481.
[14] 任好盼,王文明,危德健,等.基于高分辨率网络的人体姿态估计方法[J].图学学报, 2021, 42(3):432-438.
[15] YANG Fan, ZHANG Lei, YU Sijia, et al. Feature pyramid and hierarchical boosting network for pavement crack detection[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(4):1525-1535.
[16] 常惠,饶志强,赵玉林,等.基于改进U-Net网络的隧道裂缝分割算法研究[J].计算机工程与应用, 2021, 57(22):215-222.
[17] 顾书豪,李小霞,王学渊,等.增强语义信息与多通道特征融合的裂缝检测[J].计算机工程与应用, 2021, 57(10):204-210.
[18] 黄泳嘉,史再峰,王仲琦,等.基于混合损失函数的改进型U-Net肝部医学影像分割方法[J].激光与光电子学进展,2020,57(22):74-83.

改进的HRNet应用于路面裂缝分割与检测

Improved HRNet applied to segmentation and detection of pavement cracks

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	葛鹏飞, 刘辉, 陈蜜, 李昱, 丁瑞力, 刘菲. 时序InSAR监测京雄城际铁路河北段地面沉降[J]. 测绘通报, 2022, 0(7): 64-70.
[2]	吕峥, 孙群, 温伯威, 马京振. 一种自身全局最优的道路网Stroke生成方法[J]. 测绘通报, 2022, 0(7): 93-99.
[3]	钟祺康, 王志一, 王娜, 郗富瑞. 陕北干旱区景观生态风险空间分异特征及驱动因素分析[J]. 测绘通报, 2022, 0(7): 100-106.
[4]	强德霞, 马海政, 朱自平, 苟彦梅. 甘肃省积石山县泥石流空间分布及分析[J]. 测绘通报, 2022, 0(7): 107-111,117.
[5]	韩文立, 张继贤, 陈海鹏, 黄海英, 章力博, 葛娟, 沈晶, 卢遥. 新型基础测绘质检技术探讨[J]. 测绘通报, 2022, 0(7): 148-153.
[6]	陶肖静. 基于TEA算法的地理信息数据安全保护技术及验证分析[J]. 测绘通报, 2022, 0(7): 154-157,167.
[7]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[8]	周烨, 刘云波, 郑丽波, 龙泱君. 多平台点云数据的单木参数提取精度分析[J]. 测绘通报, 2022, 0(7): 168-172.
[9]	贺瑜琦, 曾一笑, 陈光, 陈良超. 新型测绘视角下的山地城市规划实施场景预警模拟技术探索[J]. 测绘通报, 2022, 0(4): 11-15.
[10]	罗国玮, 叶嘉媛, 王金凤. 基于多特征相似性的多源POI匹配方法[J]. 测绘通报, 2022, 0(4): 96-100.
[11]	闫明涛, 乔家君, 瞿萌, 朱乾坤, 韩冬. 黄河流域乡村社会经济与生态环境耦合协调测度及影响因素分析[J]. 测绘通报, 2022, 0(4): 101-105,116.
[12]	张普伟, 付梁, 王国华, 卢嫣楠, 赵海云. 乡村休闲养老项目的选址评价体系分析[J]. 测绘通报, 2022, 0(4): 106-110.
[13]	黄鹤, 孟维明. 基于视觉的大半径圆曲线车道线识别[J]. 测绘通报, 2022, 0(4): 134-137.
[14]	张定祥, 汪秀莲, 刘顺喜, 张嘉, 陈强, 李士江. 第三次全国国土调查土地利用矢量数据栅格化方法[J]. 测绘通报, 2022, 0(4): 138-144.
[15]	曾元武, 史京文, 罗宏明, 程迎轩. 省市县三级联动国土空间规划实施监督信息系统建设研究——以广东省为例[J]. 测绘通报, 2022, 0(4): 145-148.